선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 강우의 공간정보의 장점을 최대화하여 지상 우량계의 강우자료와 레이더 강우자료를 신경망(Artificial Neural Network, ANN)의 학습을 통하여 보정하였다. 또한, 보다 정확한 강우자료를 추정하기 위한 방법으로 강우의 공간적인 분포에 장점이 있는 레이더 강우와 지상 우량계가 가지는 지점 강우의 정확성에 대한 장점을 이용하여 신경망 모형을 구성하고 그 적용성을 검토하고자 하였다.
- 본 연구에서는 지상 우량계의 강우자료와 레이더 강우자료를 신경망의 학습을 통하여 보정하고, 지상 우량계가 가지는 지점 강우의 정확성과 강우레이더가 가지는 강우의 공간정보의 장점을 최대화하여 강우자료를 보정하는 것이다. 또한 보정된 강우자료를 준분포형 수문모형인 ModClark에 입력하여 유출 모의를 실시함으로써 신경망에 의해 보정된 강우의 적용성을 검토하는데 본 연구의 목적이므로 이를 위한 절차를 살펴보면 Fig.
제안 방법
- 1. 안성천 유역의 레이더 강우와 지점 강우를 이용하여 신경망 모형(Model I, Model II)을 구축하였다. 레이더 강우를 신경망에 의하여 보정한 결과 상관계수와 결정계수가 각각 최소 0.
- ModClark 모형을 이용한 홍수 유출 모의를 하기 위해서 신경망으로 보정된 레이더 강우를 DSS 파일로 변환하여 HEC-HMS에 입력하였다. Fig.
- 여기서 미계측된 지점의 강우량을 분석하기 위하여 강우레이더와 지점 강우관측소의 관계를 이용하여 신경망 모형을 Table 1과 같이 구성하였다. Model I의 입력층은 지체시간을 고려한 4개의 레이더 강우 Radark-3, Radark-2, Radark-1, Radark로 구성하였고 Model II의 입력층은 4개의 레이더 강우 Radark-3, Radark-2, Radark-1, Radark와 지상우량계 강우 Pointk-3, Pointk-2, Pointk-1로 구성하였다. 신경망의 중간층 처리소자는 일반적으로 입력층의 개수가 D개 일 때 2D 또는 2D+1개로 구성(김주환, 1993)하므로 Model I 은 9개, Model II는 15개로 구성하고 출력층은 각각 1개의 층으로 구성하였다.
- 본 연구에서는 지상 우량계의 강우자료와 레이더 강우자료를 신경망의 학습을 통하여 보정하고, 지상 우량계가 가지는 지점 강우의 정확성과 강우레이더가 가지는 강우의 공간정보의 장점을 최대화하여 강우자료를 보정하는 것이다. 또한 보정된 강우자료를 준분포형 수문모형인 ModClark에 입력하여 유출 모의를 실시함으로써 신경망에 의해 보정된 강우의 적용성을 검토하는데 본 연구의 목적이므로 이를 위한 절차를 살펴보면 Fig. 3과 같다.
- 본 연구에서는 각 관측소의 자료를 하나의 시계열로 재구성하여 각 층에 대한 연결강도가 강우레이더와 강우관측소의 학습을 위한 연결강도로 대표될 수 있도록 신경망을 구성하였다. 여기서 미계측된 지점의 강우량을 분석하기 위하여 강우레이더와 지점 강우관측소의 관계를 이용하여 신경망 모형을 Table 1과 같이 구성하였다.
- 하지만, 앞에서 살펴본 바와 같이 최근 레이더 자료의 축적과 함께 이를 이용하여 강우-유출 관계에 적용하기 위한 노력들이 전개되고 있다. 본 연구에서는 강우의 공간정보의 장점을 최대화하여 지상 우량계의 강우자료와 레이더 강우자료를 신경망(Artificial Neural Network, ANN)의 학습을 통하여 보정하였다. 또한, 보다 정확한 강우자료를 추정하기 위한 방법으로 강우의 공간적인 분포에 장점이 있는 레이더 강우와 지상 우량계가 가지는 지점 강우의 정확성에 대한 장점을 이용하여 신경망 모형을 구성하고 그 적용성을 검토하고자 하였다.
- 본 연구에서는 지상우량계가 가지는 지점 강우의 정확성과 강우레이더가 가지는 공간성의 장점을 최대화할 수 있도록 신경망 이론에 의하여 학습된 레이더 강우를 준분포형 수문 모형과 연계해 유출 모의를 실시하였으며 그 결과를 관측유출량과 비교·분석하였다.
- 본 연구에서는 현시점에 발생한 지상강우를 목표로 하여 레이더강우를 학습시킨 모델 I과 모델 II의 각 뉴런의 연결 강도를 이용하여 레이더 강우를 보정하였다. 이렇게 보정된 레이더 강우는 강우-유출모형의 입력자료로 활용되었다.
- 신경망의 중간층 처리소자는 일반적으로 입력층의 개수가 D개 일 때 2D 또는 2D+1개로 구성(김주환, 1993)하므로 Model I 은 9개, Model II는 15개로 구성하고 출력층은 각각 1개의 층으로 구성하였다. 총 2개의 사상을 신경망 모형 I, II에 입력하여 최적 매개변수(Vji, Wkj)를 추정한 후에 2006년 사상을 사용하여 검증을 실행하였다. 그 후에 미계측 공간에 대한 예측강우량은 학습과정을 통하여 추정된 연결강도를 이용하여 계산된다.
대상 데이터
- Model I과 Model II를 안성천 유역의 2003년 사상에 대하여 신경망의 학습, 즉 매개변수추정을 위하여 사용된 2개 사상의 매개변수를 2006 사상에 적용하였다. 이 중에서 Model I은 상관계수 0.
- 4(c)는 안성천 유역을 1 km×1 km 크기의 격자로 분할한 것이다. Table 3의 3개 호우자료로부터 2003년 2개 사상을 선택하여 매개변수의 추정과정인 신경망모형의 학습을 위하여 사용하였고 2006년 사상은 추정된 모형에 대한 검증자료로 사용하였다.
- 강우레이더와 기상레이더는 장비의 원리, 구조 및 운영방식 상에서 동일하지만, 두 장비의 사용목적에 따른 관측방식및 자료처리 방식에 많은 차이가 있다. 기상레이더는 악기상관측 등에 활용되므로 3차원의 바람, 강우 관측을 위한 15 km 고도의 CAPPI 자료를 생성한다. 이와 같이 기상레이더는 대기중의 기상현상을 파악하는 것을 주목적으로 하고 있어, 설치 위치와 관측전략 등이 이에 적합하게 되어 있다.
- 본 연구에서 추정된 최적 매개변수를 이용하여 전체 레이더 강우를 보정한 후에 강우의 공간적 분포를 알기 위하여 대상 호우로 Event I, Event II, Event III 자료를 이용하였으며 Fig. 6~8은 각 사상별 지상강우량, 원시(raw) 레이더 강우, 그리고 신경망에 의해 산정된 ANN강우의 공간분포를 나타낸 그림이다. 원시 레이더 강우와 비교하여 ANN에 의해 보정된 강우의 공간분포를 확인할 수 있는데, 이를 통하여 원시 레이더에 의한 강우 분포와 ANN에 의하여 지표면에 발생한 것으로 예상되는 강우의 공간 분포를 확인할 수 있다.
- 본 연구에서는 국토해양부에서 홍수예보를 목적으로 운영하고 있는 임진강 강우레이더 자료를 이용하여 레이더 강우를 선정하였다. 임진강 강우레이더는 북쪽의 임진강 유역을 관측대상으로 하지만, 북한강 일부 및 한강 유역의 안성천, 안양천, 경안천, 탄천 등 일부 지천에 대한 관측도 가능하다.
- 본 연구에서는 정확한 레이더 반사도 자료를 산출하기 위해서 밝은띠(bright band)가 형성되는 고도인 3.5~5.5 km 보다 낮고 지형 클러터의 영향이 적은 고도 1.5 km의 CAPPI 자료를 이용하였고 공간해상도는 1 km×1 km 격자형 자료로 제작된 레이더 강우자료를 활용하였다.
- 본 연구의 대상유역으로 안성천유역을 선정하였다(Fig. 4(a)).
데이터처리
- 유출 모의 결과를 보다 정량적으로 비교하기 위하여 Table 5와 같이 Correlation and Determination Coefficient, Model Efficient를 산정하였다. 산정결과 Model II 강우에 의한 유출모의 결과는 Model I과 원시 레이더에 의한 유출 모의 결과보다 좋은 결과를 나타내고 있다.
이론/모형
- 레이더 강우의 보정 방법은 G/R(Gauge to Radar)기법 (Barbosa, 1994), Kalman-Filter 보정기법(Ahnert et al., 1986), 신경망에 의한 보정기법(Liu and Chandrasekar, 2001) 등이 있는데 본 연구에서는 복잡한 함수근사 문제에 유용성이 뛰어난 신경망을 이용하여 레이더 강우를 보정하였다.
- HEC-HMS는 GUI(Graphic User Interface) 환경, 통합 수문분석 성분, 자료 저장 및 관리 능력, 그래픽 처리 및 리포트 출력 기능 등으로 구성되어 있다. 본 연구에서는 ModClark 모형을 포함하고 있는 HEC-HMS 모형(Ver. 2.2)을 이용하였다.
- 원시 레이더 강우와 비교하여 ANN에 의해 보정된 강우의 공간분포를 확인할 수 있는데, 이를 통하여 원시 레이더에 의한 강우 분포와 ANN에 의하여 지표면에 발생한 것으로 예상되는 강우의 공간 분포를 확인할 수 있다. 여기에서 ANN에 의하여 보정된 강우는 강우-유출 모형의 입력자료로 활용하였다.
성능/효과
- 2. 신경망에 의해 산정된 Model I과 Model II의 ANN 강우는 원시(raw) 레이더 강우 분포의 공간적 변동 특성을 유지하면서도 실제 발생한 지상 강우의 특성을 잘 반영하고 있음을 확인할 수 있었다. 또한 레이더 강우만을 이용 하는 경우(Model I)보다 레이더 강우와 지점 강우를 함께 신경망으로 보정한 경우(Model II)가 더욱 예측성이 뛰어남을 확인할 수 있었다.
- 3. HEC-HMS의 ModClark방법을 이용하여 ANN 강우, 원시 레이더 강우량을 입력하여 유역의 유출을 모의한 결과 관측유량보다 유량을 과소 추정하는 결과를 얻었다. 하지만 레이더 강우를 ANN으로 보정하여 강우자료를 사용한 경우가 좀 더 양호한 결과를 얻었는데, 홍수 도달시간과 첨두유량 및 전반적인 형상을 검토할 때 전체적으로 Model II에 의한 유출량이 실제 유출곡선과 비슷한 형태를 나타내고 있음을 확인할 수 있었다.
- 또한, 레이더 강우와 함께 지상관측소의 강우량을 함께 이용할 경우 더욱 우수한 예측능력을 보여줌을 확인할 수 있었다. 따라서 정확한 강우예측을 위해서는 레이더 강우 뿐만 아니라 지상관측소의 강우량도 함께 고려하는 것이 타당할 것으로 판단된다. 이러한 방법론은 기존에 티센법 등을 이용하여 면적평균강우량을 산정하던 방법을 대체할 수 있을 뿐만아니라 홍수예경보를 위한 자료로서 강우레이더를 이용하게 될 경우 본 방법론은 적용성이 있을 것으로 기대된다.
- 신경망에 의해 산정된 Model I과 Model II의 ANN 강우는 원시(raw) 레이더 강우 분포의 공간적 변동 특성을 유지하면서도 실제 발생한 지상 강우의 특성을 잘 반영하고 있음을 확인할 수 있었다. 또한 레이더 강우만을 이용 하는 경우(Model I)보다 레이더 강우와 지점 강우를 함께 신경망으로 보정한 경우(Model II)가 더욱 예측성이 뛰어남을 확인할 수 있었다.
- 위의 결과와 같이 신경망을 이용하여 레이더 강우를 보정 하는 방법으로 지상에 발생한 강우의 공간분포를 효과적으로 예측할 수 있었다. 또한, 레이더 강우와 함께 지상관측소의 강우량을 함께 이용할 경우 더욱 우수한 예측능력을 보여줌을 확인할 수 있었다. 따라서 정확한 강우예측을 위해서는 레이더 강우 뿐만 아니라 지상관측소의 강우량도 함께 고려하는 것이 타당할 것으로 판단된다.
- 안성천 유역의 레이더 강우와 지점 강우를 이용하여 신경망 모형(Model I, Model II)을 구축하였다. 레이더 강우를 신경망에 의하여 보정한 결과 상관계수와 결정계수가 각각 최소 0.8 이상, 0.63 이상으로 양호한 결과를 나타내었다.
- 유출 모의 결과를 보다 정량적으로 비교하기 위하여 Table 5와 같이 Correlation and Determination Coefficient, Model Efficient를 산정하였다. 산정결과 Model II 강우에 의한 유출모의 결과는 Model I과 원시 레이더에 의한 유출 모의 결과보다 좋은 결과를 나타내고 있다. 여기에서 강우 레이더와 지점 관측소의 자료를 함께 이용하는 Model II가 강우 레이더 자료만을 이용하는 Model I 보다 좋은 결과를 나타내었다는 것은 단순히 대기중의 구름속에 포함된 수증기 양이 지표면에 발생시키는 강우의 양에 절대적인 영향을 미치는 것은 아니라는 것을 의미한다.
- 특히, 원시 레이더 자료의 경우 유출량을 가장 작게 추정하고 있었다. 신경망에 의하여 보정한 Model I과 Model II의 결과가 원시 레이더에 의한 유출량 산정 결과보다는 양호한 결과를 이끌어 내었다. 하지만, 홍수 도달시간과 첨두유량 및 전반적인 형상을 검토할 때 전체적으로 Model II에 의한 유출량이 실제 유출곡선과 비슷한 형태를 나타내고 있음을 확인할 수 있었다.
- 6~8은 각 사상별 지상강우량, 원시(raw) 레이더 강우, 그리고 신경망에 의해 산정된 ANN강우의 공간분포를 나타낸 그림이다. 원시 레이더 강우와 비교하여 ANN에 의해 보정된 강우의 공간분포를 확인할 수 있는데, 이를 통하여 원시 레이더에 의한 강우 분포와 ANN에 의하여 지표면에 발생한 것으로 예상되는 강우의 공간 분포를 확인할 수 있다. 여기에서 ANN에 의하여 보정된 강우는 강우-유출 모형의 입력자료로 활용하였다.
- 위의 결과와 같이 신경망을 이용하여 레이더 강우를 보정 하는 방법으로 지상에 발생한 강우의 공간분포를 효과적으로 예측할 수 있었다. 또한, 레이더 강우와 함께 지상관측소의 강우량을 함께 이용할 경우 더욱 우수한 예측능력을 보여줌을 확인할 수 있었다.
- 하지만, ANN에 의한 보정결과, 상관성이 비교적 크게 개선되고 있음을 확인할 수 있다. 이는 평균편차를 검토한 결과에서도 ANN에 의한 보정결과가 개선됨을 확인 할 수 있었다. 특히, Model II에 의한 보정후의 레이더 강우와 지점강우와의 상관계수는 0.
- 이는 평균편차를 검토한 결과에서도 ANN에 의한 보정결과가 개선됨을 확인 할 수 있었다. 특히, Model II에 의한 보정후의 레이더 강우와 지점강우와의 상관계수는 0.9 이상이고, 결정계수는 0.8이상으로 상당히 양호한 결과를 보여주었다. 하지만 Model I는 상관계수 0.
- 8이상으로 상당히 양호한 결과를 보여주었다. 하지만 Model I는 상관계수 0.8, 결정계수 0.6 정도임을 판단할 때, 레이더 강우와 지점강우를 함께 고려하는 것이 더 유효한 결과를 이끌어낼 수 있음을 확인 할 수 있었다.
- HEC-HMS의 ModClark방법을 이용하여 ANN 강우, 원시 레이더 강우량을 입력하여 유역의 유출을 모의한 결과 관측유량보다 유량을 과소 추정하는 결과를 얻었다. 하지만 레이더 강우를 ANN으로 보정하여 강우자료를 사용한 경우가 좀 더 양호한 결과를 얻었는데, 홍수 도달시간과 첨두유량 및 전반적인 형상을 검토할 때 전체적으로 Model II에 의한 유출량이 실제 유출곡선과 비슷한 형태를 나타내고 있음을 확인할 수 있었다.
- 신경망에 의하여 보정한 Model I과 Model II의 결과가 원시 레이더에 의한 유출량 산정 결과보다는 양호한 결과를 이끌어 내었다. 하지만, 홍수 도달시간과 첨두유량 및 전반적인 형상을 검토할 때 전체적으로 Model II에 의한 유출량이 실제 유출곡선과 비슷한 형태를 나타내고 있음을 확인할 수 있었다.
후속연구
- 따라서 일반적으로 레이더 강우와 관측소 강우와의 관계에 의한 해석 보다는 관측소 강우의 강우를 함께 이용할 경우 적용성이 더 뛰어남을 나타낸다. 그러므로 실제 유역내에서 발생하는 강우의 공간특성을 지표면의 지점 관측소로 예측하는 데는 한계가 있기 때문에 강우의 공간특성을 확인하는데 장점이 있는 강우레이더의 자료와 지표면에 발생한 지점의 강우량을 정확히 측정한 강우관측소의 자료를 함께 이용하는 Model II의 방법이 더 좋은 결과를 이끌어 내었다고 판단된다.
- 따라서 정확한 강우예측을 위해서는 레이더 강우 뿐만 아니라 지상관측소의 강우량도 함께 고려하는 것이 타당할 것으로 판단된다. 이러한 방법론은 기존에 티센법 등을 이용하여 면적평균강우량을 산정하던 방법을 대체할 수 있을 뿐만아니라 홍수예경보를 위한 자료로서 강우레이더를 이용하게 될 경우 본 방법론은 적용성이 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.